通过数据集融合提升合成人脸识别中的域多样性

尽管近年来人脸识别系统的准确率有了显著提升，但用于训练这些模型的数据集通常通过网络爬虫收集，缺乏用户明确同意，引发伦理和隐私顾虑。为此，近期许多方法探索使用合成数据训练人脸识别模型。然而，这些模型通常不如在真实数据上训练的模型表现佳。一个常见限制是通常使用单一生成模型创建整个合成数据集，导致模型特定的痕迹可能导致对生成器固有偏见和痕迹的过拟合。本文提出一种解决方案，通过组合使用两个基于不同架构生成的领先合成人脸数据集。这种融合减少了模型特定的痕迹，增强了姿态、光照和人口统计学特征的多样性，并通过强调身份相关特征来隐式正则化人脸识别模型。我们使用标准人脸识别基准测试评估在此组合数据集上训练的模型性能，证明我们的做法在许多基准测试中实现了优异性能。